首页
/ SPDK NVMe-oF RDMA目标端传输重试计数器耗尽导致段错误问题分析

SPDK NVMe-oF RDMA目标端传输重试计数器耗尽导致段错误问题分析

2025-06-25 01:12:01作者:宣海椒Queenly

问题背景

在SPDK NVMe-oF RDMA目标端的实际部署环境中,我们观察到一个偶发的段错误问题。该问题通常发生在RDMA传输层出现"transport retry counter exceeded"错误时,导致目标端进程异常崩溃。通过分析核心转储文件,我们发现崩溃点位于nvmf_rdma_request_process函数中,具体是在处理RDMA_REQUEST_STATE_DATA_TRANSFER_TO_CONTROLLER_PENDING状态请求时发生的。

问题现象

当RDMA网络出现异常时,目标端会记录如下错误日志:

nvmf_rdma_log_wc_status: *ERROR*: Error on CQ 0x315ece0, (qp state 1 ibv_state 6) request 0x35184834322177, type DATA, status: (12): transport retry counter exceeded.

同时,RDMA网卡硬件计数器显示异常值:

req_cqe_error  5951
req_cqe_flush_error    1778

根本原因分析

经过深入代码分析,我们发现问题的根本原因在于RDMA请求状态管理的不一致性。具体表现为:

  1. 当请求处于RDMA_REQUEST_STATE_DATA_TRANSFER_TO_CONTROLLER_PENDING状态时,如果rdma_req->num_remaining_data_wr > 0,该请求会保留在rqpair->pending_rdma_read_queue队列中。

  2. 在异常情况下(如QP状态变为IBV_QPS_ERR),该请求可能被直接插入到其他队列(如pending_rdma_send_queue)中,这会破坏pending_rdma_read_queue队列的数据结构完整性。

  3. 当后续清理QP时遍历pending_rdma_read_queue队列时,就可能发生非法指针访问,导致段错误。

技术细节

在RDMA传输层,NVMe-oF协议需要处理多种数据传输场景,包括控制器到主机和主机到控制器的数据传输。当出现传输错误时,协议栈会尝试重试,但重试次数超过限制后(由transport retry counter控制),会触发错误处理流程。

问题特别出现在以下两种代码路径中:

  1. 正常处理路径(rdma.c:2128)
  2. 异常中止路径(rdma.c:5068)

两者都尝试从pending_rdma_read_queue队列中移除请求,但在异常情况下,请求可能已被释放或移至其他队列,导致操作空指针。

解决方案

修复方案的核心思想是确保在异常处理路径中正确处理队列操作。具体措施包括:

  1. 在将请求移动到其他队列前,先检查并确保其从原队列中正确移除
  2. 添加必要的状态检查,防止对已释放请求进行操作
  3. 确保队列操作是原子的,避免并发访问导致的数据不一致

修复后的代码在异常情况下能够正确处理请求状态转换,避免了段错误的发生。

验证结果

通过在测试环境中模拟QP错误状态,验证了修复方案的有效性:

  1. 在数据传输过程中强制将QP状态修改为IBV_QPS_ERR
  2. 观察目标端行为
  3. 确认目标端能够正确处理错误情况而不会崩溃

最佳实践建议

对于使用SPDK NVMe-oF RDMA目标端的用户,建议:

  1. 监控RDMA网卡的硬件计数器,特别是req_cqe_errorreq_cqe_flush_error
  2. 合理设置传输重试参数,平衡可靠性和性能
  3. 及时更新到包含此修复的SPDK版本
  4. 在网络不稳定的环境中,考虑增加传输重试次数阈值

这个问题展示了在RDMA这种复杂网络协议栈中,状态管理的重要性。正确的错误处理流程对于系统稳定性至关重要,特别是在面对网络异常等边缘情况时。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
295
331
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58